論文の概要: How does agency impact human-AI collaborative design space exploration?
A case study on ship design with deep generative models
- arxiv url: http://arxiv.org/abs/2305.10451v1
- Date: Tue, 16 May 2023 21:40:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 18:56:13.277933
- Title: How does agency impact human-AI collaborative design space exploration?
A case study on ship design with deep generative models
- Title（参考訳）: 機関は人間とAIの共同設計宇宙探査にどのように影響するか?
深部生成モデルを用いた船舶設計に関する事例研究
- Authors: Shahroz Khan, Panagiotis Kaklis, Kosa Goucher-Lambert
- Abstract要約: 生成モデルは、コンパクトで多様な生成設計空間(GDS)を作成するために既存の設計を活用することでソリューションを提供する
我々はまず, 各種船舶の52,591 つの設計に基づいて, 生成的対角ネットワークを用いて GDS を構築した。
次に、ランダム(REM)、半自動(SAEM)、自動(AEM)の3つの探索モードを構築した。
以上の結果から,REMはSAEMとAEMに次いで最も多様な設計を創出するが,SAEMとAEMは優れた性能を持つ設計を創出することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Typical parametric approaches restrict the exploration of diverse designs by
generating variations based on a baseline design. In contrast, generative
models provide a solution by leveraging existing designs to create compact yet
diverse generative design spaces (GDSs). However, the effectiveness of current
exploration methods in complex GDSs, especially in ship hull design, remains
unclear. To that end, we first construct a GDS using a generative adversarial
network, trained on 52,591 designs of various ship types. Next, we constructed
three modes of exploration, random (REM), semi-automated (SAEM) and automated
(AEM), with varying levels of user involvement to explore GDS for novel and
optimised designs. In REM, users manually explore the GDS based on intuition.
In SAEM, both the users and optimiser drive the exploration. The optimiser
focuses on exploring a diverse set of optimised designs, while the user directs
the exploration towards their design preference. AEM uses an optimiser to
search for the global optimum based on design performance. Our results revealed
that REM generates the most diverse designs, followed by SAEM and AEM. However,
the SAEM and AEM produce better-performing designs. Specifically, SAEM is the
most effective in exploring designs with a high trade-off between novelty and
performance. In conclusion, our study highlights the need for innovative
exploration approaches to fully harness the potential of GDS in design
optimisation.
- Abstract（参考訳）: 典型的なパラメトリックアプローチは、ベースライン設計に基づいたバリエーションを生成することによって、多様な設計の探索を制限する。
対照的に、生成モデルは、既存の設計を活用して、コンパクトで多様な生成設計空間(GDS)を作成するソリューションを提供する。
しかし、複雑なGDS、特に船体設計における現在の探査方法の有効性は未だ不明である。
そこで我々はまず, 各種船舶の52,591 個の設計に基づいて, 生成的対角ネットワークを用いて GDS を構築した。
次に、ランダム(REM)、半自動(SAEM)、自動(AEM)の3つの探索モードを構築し、新規で最適化された設計のためのGDSを探索する。
REMでは直感に基づいて手動でGDSを探索する。
saemでは、ユーザとオプティマイザーの両方が探索を進める。
オプティマイザーは様々な最適化されたデザインを探索することに焦点を当て、一方ユーザーはデザインの好みに対して探索を指示する。
aemはオプティマイザーを使用して、設計性能に基づいてグローバル最適化を探索する。
その結果,REMが最も多彩な設計が得られ,次いでSAEM,AEMが得られた。
しかし、SAEMとAEMはより優れた性能を持つ設計を生み出している。
具体的には、SAEMは新規性と性能のトレードオフが高い設計を探索するのに最も効果的である。
本研究は, 設計最適化におけるGDSの可能性を完全に活用するために, 革新的な探索アプローチの必要性を強調した。
関連論文リスト
- ADO-LLM: Analog Design Bayesian Optimization with In-Context Learning of Large Language Models [5.642568057913696]
本稿では,大規模言語モデル(LLM)とベイジアン最適化を統合したアナログ設計最適化手法であるADO-LLMを提案する。
ADO-LLMは、LLMのドメイン知識を注入して実行可能な設計ポイントを迅速に生成し、高価値な設計領域を見つけるためのBOの非効率性を改善する能力を活用している。
提案手法を2種類のアナログ回路上で評価し,設計効率と性能の顕著な向上を実証した。
論文 参考訳（メタデータ） (2024-06-26T21:42:50Z) - Latent Energy-Based Odyssey: Black-Box Optimization via Expanded Exploration in the Energy-Based Latent Space [65.44449711359724]
ブラックボックス関数の高次元かつ高マルチモーダルな入力設計空間は、既存の手法に固有の課題をもたらす。
設計値の結合空間の圧縮的かつ正確な表現として機能する潜在空間の発見を検討する。
本稿では, 高精度潜時空間モデルの変分学習のための雑音強調型テレスコープ密度比推定法を提案する。
論文 参考訳（メタデータ） (2024-05-27T00:11:53Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳（メタデータ） (2022-11-29T17:28:31Z) - Multi-Agent Reinforcement Learning for Microprocessor Design Space
Exploration [71.95914457415624]
マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。
この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。
評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
論文 参考訳（メタデータ） (2022-11-29T17:10:24Z) - Design Target Achievement Index: A Differentiable Metric to Enhance Deep
Generative Models in Multi-Objective Inverse Design [4.091593765662773]
設計目標達成指標(Design Target Achievement Index, DTAI)は、設計者が指定した最小パフォーマンス目標を達成するための設計能力を評価する、微分可能で調整可能な指標である。
DTAIをPaDGAN(Performance-Augmented Diverse GAN)に適用し,ベースラインのDeep Generative Modelよりも優れた生成性能を示す。
論文 参考訳（メタデータ） (2022-05-06T04:14:34Z) - Investigating Positive and Negative Qualities of Human-in-the-Loop
Optimization for Designing Interaction Techniques [55.492211642128446]
設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。
モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。
一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
論文 参考訳（メタデータ） (2022-04-15T20:40:43Z) - Deep Generative Models in Engineering Design: A Review [1.933681537640272]
本稿では,工学設計におけるDeep Generative Learningモデルのレビューと分析を行う。
最近のDGMは、構造最適化、材料設計、形状合成といった設計応用において有望な結果を示している。
論文 参考訳（メタデータ） (2021-10-21T02:50:10Z) - Generative Design by Reinforcement Learning: Enhancing the Diversity of
Topology Optimization Designs [5.8010446129208155]
本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。
RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
論文 参考訳（メタデータ） (2020-08-17T06:50:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。